PDEs对单向二维CCA的影响

累计贡献率(CCR)决定着降维子空间的维度,贡献率越高,维度越大,计算成本也越高,但对图像的识别精度来说却并不一定越好.利用单向二维典型相关分析(2 D-CCA)进行图像特征抽取时面临的CCR如何选取问题,目前还没有一个有效的解决方案.偏微分方程组(PDEs)与一维典型相关分析(CCA)的算法结合并没有解决CCA存在的会破坏图像的空间结构,丢失图像的判别信息以及造成"维数灾难"等问题.为解决上述问题,提出了将PDEs与单向2D-CCA结合的一体化学习算法,着重研究了PDEs对2D-CCA中CCR的影响.在AR数据集、FRGCv数据集上的实验以及对比实验的结果表明PDEs的进化不仅可以弱化2D-CCA中CCR的选择,甚至不用考虑CCR的选择,原则上不超过5次的进化可达到最优识别精度,且识别精度明显优于基于PDEs的一维CCA算法.